ASR
ASR是一款本地AI项目管理工具，提供脚本引擎用于启动、配置和管理各类本地AI项目。其内置应用生态平台支持创作者发布AI整合包，用户可通过统一界面下载并部署多种AI应用，旨在简化本地AI环境的安装与运行管理流程。
核心事实
时间轴 (近 90 天)
实践中常引入「语义完整性」辅助端点判断，即结合 ASR 中间结果预测句子是否讲完，这是当前语音对话工程的研究热点之一
ASR（自动语音识别）与 TTS（文字转语音）构成语音代理的耳朵和嘴巴，而 LLM 是大脑。
AssemblyAI 的主业在语音识别（ASR）一侧。
ASR 需要流式处理以降低首字延迟，TTS 则需要流式合成以降低首包延迟。
真正的上下文能力需要在ASR/TTS之外，另建一套实时会话状态管理与客户数据调用机制。
ASR/TTS只解决“听得清、说得好”的问题，本身不携带记忆，也不理解对话历史。
通话分析（Call Analytics）指对历史客服录音进行批量转写、意图聚类和情绪识别，可在不接触真实乘客的前提下摸清来电分布。
在构建半监督ASR流水线时，可以保留现有的教师模型和伪标签生成流程，仅将学生模型的训练目标从SFT损失替换为GRPO奖励。
将伪标签用作GRPO的奖励参考而非SFT训练目标，能显著提升ASR模型对标签噪声的鲁棒性。
近年端侧ASR错误率显著下降，流式识别延迟进入百毫秒级。
还有 40 条时间轴事件
全部知识事实 (20)
GPT-4o 的端到端语音架构将音频以离散 token 的形式纳入统一的 Transformer 处理框架，在单一模型内完成听-想-说全链路处理
90%已验证全球约有7000种语言，绝大多数属于低资源语言
90%已验证传统语音AI系统采用级联架构，将语音处理拆分为ASR、NLU、对话管理和TTS等独立模块，每个模块之间存在信息损失和延迟累积
80%已验证传统语音交互的三段式架构（ASR+LLM+TTS）总延迟通常在1-3秒
80%已验证词错误率（WER）的计算方式是将识别输出与参考文本之间的替换、删除、插入错误数量之和除以参考文本的总词数
80%已验证语音转文字应用通过自动语音识别（ASR）技术分析音频信号并生成文本转录，转录可在录音过程中实时进行，也可在录音完成后处理。
75%已验证首次音频时间（TTFA）指从文本输入到第一帧可播放音频输出所经历的时间，是衡量流式TTS系统响应速度的核心指标
75%已验证传统语音对话系统由ASR（自动语音识别）、LLM（大语言模型）、TTS（文本转语音）三个独立模块串联而成，每个模块单独训练、顺序执行
75%已验证AI语音助手实现全双工需同时运行语音识别（ASR）、自然语言理解（NLU）、语言模型推理和语音合成（TTS）四个模块，并实时处理端点检测（VAD）
75%已验证传统语音AI普遍采用级联式架构，先用ASR将语音转文字，再交给语言模型处理，最后用TTS合成输出
75%已验证传统语音到语音翻译采用ASR→MT→TTS三模块级联架构，存在误差累积与延迟叠加的问题
75%已验证传统语音控制系统基于ASR（自动语音识别）+ NLU（自然语言理解）的流水线架构，依赖预定义的指令模板和关键词词典
75%已验证传统语音交互系统中，语音携带的情感、语气、语速等副语言信息在ASR阶段转换为纯文本时会彻底丢失
75%已验证传统AI语音交互系统采用ASR、NLU、NLG、TTS四个独立模块串联的流水线架构，叠加后总延迟通常在1-3秒
75%已验证AI客服的数据结构化涉及ASR自动语音识别、NLU自然语言理解和对话管理系统的协同
70%已验证AI实时语音翻译系统通过语音识别（ASR）、神经机器翻译（NMT）和语音合成（TTS）三个模块的流水线协作来模拟同声传译过程
70%已验证语音转行动类工具的核心竞争力取决于语音识别准确率、内容理解深度和生成结果的可用性
65%已验证ASR是将人类语音转换为文本的技术，其核心架构经历了从高斯混合模型-隐马尔可夫模型（GMM-HMM）到端到端深度学习模型的演进
65%已验证实现可打断的实时对话体验涉及语音活动检测（VAD）、自动语音识别（ASR）、意图理解与上下文管理、检索与生成、TTS合成与无缝衔接的技术管线
65%已验证现代说话人分离系统通常采用流水线架构：语音活动检测（VAD）、提取说话人嵌入向量（x-vector或ECAPA-TDNN）、聚类算法（谱聚类或PLDA）分配标签
65%